本文提出了一种名为 SCNet 的体系结构，以确保训练时样本的 IoU 分布接近于推理时的分布，并进一步加强分类、检测和分割子任务之间的相互关系，以提高目标检测和实例分割的性能。

Dec, 2020

本文提出了一种针对实例识别的平衡学习框架 Libra R-CNN，其中包括 IoU 平衡采样、平衡特征金字塔和目标重加权，以分别减少样本级别、特征级别和目标级别的不平衡性，通过对 MS COCO、LVIS 和 Pascal VOC 等数据集的广泛实验，证明了整体平衡设计的有效性。

Aug, 2021

提出了一种多阶段目标检测架构 Cascade R-CNN，采用一系列具有递增 IoU 阈值的检测器进行训练，以解决因过度拟合和推理时间质量不匹配而导致的高质量检测难题，在 COCO 数据集中取得了最先进的性能，并显著提高了通用和特定对象检测数据集上的高质量检测。

Jun, 2019

本论文提出了一种名为 IoU-Uniform R-CNN 的简单而有效的方法，该方法直接生成具有均匀 IoU 分布的训练样本，为回归分支和 IoU 预测分支提供支持，并通过消除推断时 RoIs 的特征偏移来改善 IoU 预测分支的性能。大量实验表明，该方法对许多物体检测架构具有兼容性和适应性。

Dec, 2019

本文提出一种多阶段目标检测架构，Cascade R-CNN，通过一系列的检测器训练，逐步提高在增加交并比（IoU）阈值下对近似假阳性的选择性，从而减少过拟合问题，并在推理时提供更接近每个阶段检测器质量的假设匹配，实现在 COCO 数据集上比所有单模型目标检测器表现更好。

Dec, 2017

提出了一种全新的混合任务级联（Hybrid Task Cascade，HTC）框架，基于实例分割级联的相互关系，在多个级别上逐步地学习可区分的特征并将互补特征整合在一起。相较于强基线，该方法在 MSCOCO 数据集上取得了 38.4 和 1.5 的提升，并在 COCO 2018 挑战目标检测任务中名列第一。

Jan, 2019

通过将分类器网络与逆向 HRNet 架构集成，本文介绍了一种新颖的分割框架，用于高效的图像分割。我们的方法利用半监督预训练的 ResNet-50 骨干网络，在不同尺度上生成特征图，然后通过适应具有不同通道维度的逆向 HRNet 进行处理，产生最终的分割结果。在多个基准数据集上进行了严格测试，包括 Mapillary Vistas、Cityscapes、CamVid、COCO 和 PASCAL-VOC2012，使用像素精度和平均交并比（mIoU）等指标评估了分割性能。结果表明，我们提出的模型在实现高分割精度方面具有较高的效果，表明其在图像分析等各种应用中具有潜力。通过整合 ResNet-50 和逆向 HRNet 的优势，我们提出了对图像分割挑战的强大解决方案。

Feb, 2024

本研究提出了 Libra R-CNN 框架实现平衡的目标检测训练，通过三个组件，在样本、特征和目标级别减少不平衡，显著提高检测性能。

Apr, 2019

本文提出了一种新颖的可逆递归实例级对象分割（R2-IOS）框架，该框架由可逆的提案细化子网络和生成每个提案中主要对象实例的前景蒙版的实例级分割子网络组成，并对其进行迭代优化，通过训练和测试数据确定每个提案所需的最佳细化迭代次数。

Nov, 2015

本文提出了一种新的单次面部检测网络 DF $^2$ S $^2$，其引入了更有效的特征融合金字塔和在 ResNet-50 上更高效的分割支路来处理细节、遮挡和模糊等问题，并在更高级别的特征映射中应用语义信息作为上下文线索，以增强低级别特征映射，最大限度地利用检测监督信息并在自我监督的方式下，处理语义与细节之间的失衡，并在 WIDER FACE 数据集上取得了最先进的结果。

Nov, 2018